一种基于SOFM神经网络的高光谱图像快速分类方法

高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明：RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%．     

基于低概率检测的高光谱图像有损压缩方法研究

高光谱图像海量数据的不断增加迫切需要实现大比例的有损压缩。现有方法往往不能满足重要信息准确保留的要求。文中提出结合区域分割和低概率异常检测（LPD）算法的数据有损压缩方法,用空间聚类实现区域分割从而提取大块区域包含的背景光谱。LPD算法用于检测场景中低概率出现的奇异目标,接着对背景光谱和奇异目标光谱进行无损压缩,最后对整个数据立方体进行大比例有损压缩。AVIRIS高光谱图像的仿真结果表明．压缩比得到大幅度提高。同时准确保留了重要和主要信息。     

基于改进残差网络的高光谱图像分类算法研究

针对高光谱图像在训练样本较少时无法构建有效的深度学习分类模型的问题,对传统的残差块(residual block)模型进行改进,提出一种“金字塔”残差块分类算法。设计一种包含数十个卷积层的深度学习网络,与传统残差模型相比大大减少了参数量,且可以充分提取高光谱图像的深层空间-光谱特征;在2种开源数据集Indian Pines和University of Pavia上进行实验,同时选取了3种经典的分类方法作为对比。实验结果表明：该算法表现效果最佳,可以有效提高高光谱图像的分类精度。     

基于高光谱图像探测与感知的伪装效果评估方法

为解决高光谱侦察过程中目标的伪装评估问题,提出一种联合探测与感知的高光谱伪装效果评估方法。利用局部异常检测算子提取每个像元与周围背景的差异性指标,结合空间密度聚类和领域融合算法,分割潜在目标区域;建立反映光谱差异性和整体伪装特征的显著性指标,基于有限时间搜索策略进行高光谱伪装评估,从伪装评估指标和时间-评价分数多重角度得到伪装评估结果。仿真实验表明,该方法克服了传统基于多特征描述的评估方法评价指标单一的问题,能够较为客观和准确地给出评估结论,为目标伪装效果评估提供可靠的参考依据。     

CUDA架构下高光谱图像光谱匹配的快速实现

针对高光谱图像数据量大,光谱匹配计算耗时长的缺点,提出一种CUDA架构下的高光谱图像光谱匹配快速实现方法。首先,在分析高光谱图像特点的基础上,介绍高光谱图像光谱匹配的一般方法;其次,介绍CUDA架构及其特点,依据CUDA架构的特点,将通常的高光谱图像存储格式进行重新组织,并将参考光谱存储在共享内存中,以达到快速访问的目...     

基于样本分割的快速高光谱图像异常检测支持向量数据描述方法

高光谱图像异常检测支持向量数据描述方法性能优越但存在计算量巨大的问题。提出快速高光谱图像异常检测支持向量数据描述方法,该算法通过样本分割有效降低求取支持向量的计算量。建立了求取支持向量的计算量与样本分割子集数量的数学模型,并给出样本分割子集数量的最优选取方法;提出目标窗与背景窗尺寸相同的优化分割方法,该方法目标窗每次移动只需更新50%的训练样本,有效地减少图像遍历时求取支持向量的计算量。对HYMAP图像的仿真结果表明：本文算法对不同尺寸的高光谱图像进行异常检测的计算时间均小于SVDD算法计算时间的10%.     

一种改进的高光谱RX异常检测方法

针对异常噪声的干扰使得RX异常检测方法效果不佳的问题,提出了一种改进的RX异常检测方法;首先,借助图像插值的思想,建立邻域像元与目标像元之间的定量关系;然后,采用正交子空间投影法（OSP）将目标像元的光谱向量正交投影到由邻域像元加权得到的光谱向量的正交子空间当中,从而实现对异常噪声的估计;最后,将目标像元的光谱向量减去噪声向量,以达到降低噪声提高检测效果的目的;以ROC曲线作为评价检测方法性能的指标,实验结果表明：改进后的RX检测方法在检测性能上明显优于原始的RX检测方法,在检测时间和检测效果上都要优于基于最大噪声分离的RX法（MNF-RX）。     

基于加权特征融合的 SAR 图像目标分类方法

针对现有分类器对 SAR 图像分类正确率不高的问题,考虑到单一的特征很难完全描述 SAR 目标,并且单一的分类器识别率有限,提出了一种基于加权特征融合的图像分类方法,采用多种特征来描述目标,并且用多个分类器同时对目标识别。实验结果显示,提出的方法能够达到较高的分类正确率,证明了该方法的有效性。     

一种新的空谱联合稀疏高光谱目标检测方法

目标检测是高光谱数据处理的重要应用之一,高光谱图像中空间和光谱信息的充分利用对于目标检测率的有效提升非常关键。提出一种新的联合稀疏表示的目标检测方法,将混合范数理论和算法应用于高光谱目标检测,在联合高光谱图像空间和光谱信息的基础上,建立了基于联合稀疏性约束的混合范数正则化数学模型,并利用交替方向乘子法对模型进行了优化求解。仿真实验结果表明,该方法能有效提高高光谱目标检测的准确性,降低虚警率。     

导弹电源系统故障诊断的神经网络方法

针对地空导弹电源系统的九种主要故障，分别用BP神经网络和SOFM神经网络对其进行了故障诊断，均取得了较好的效果。     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。     

基于BP 神经网络的弹壳表面缺陷分类方法

为了对弹壳表面缺陷进行分类,提出一种基于BP(back propagation)神经网络的弹壳表面缺陷分类方法。针对弹壳缺陷的特点,提取了各类缺陷的灰度特征、形状特征、几何特征,建立缺陷特征数据库,并采用改进的BP神经网络算法设计了缺陷分类器。实验结果表明,该方法在枪弹缺陷识别方面具有很好可行性和有效性。     

基于人工神经网络的核素识别方法

针对传统核素识别方法不具有强适应性导致识别率降低的问题,建立基于反向传播(back propagation,BP) 神经网络的核素识别预测模型。以镅、镉、钚、氡、钯、钴、铯7 种核素的实测信号为例进行仿真模拟,建立核素 识别模型。结果表明：该模型能快速准确地识别上述核素,应用前景广泛。     

一种基于神经网络的弹箭飞行控制方法

为了对飞行中的弹丸进行快速高效的弹道修正,文中提出了一种基于落点预测的修正方法。首先基于Elman神经网络进行弹丸落点预报,并对预报数据进行滤波处理。根据对预报落点与理论落点的偏差分析,使用脉冲发动机进行弹道修正,并且引入了基于CMAC的飞行控制方法。最后进行了仿真修正,经修正后在很大程度上减小了落点散布,说明文中提出的方法是有效的。